标签
提出学习预测性模糊集（LPAS）用于分布鲁棒优化，其中深度上下文模型输出名义情景分布、状态依赖的Wasserstein半径和基础度量，并通过决策损失和校准进行训练。应用于S&P 500数据的投资组合优化，该方法实现了更高的回报和夏普比率，同时相比于固定半径基线减少了保守性。
本文提出了一种面向电网调度中分布鲁棒优化的决策聚焦生成框架，用于生成相关场景。该框架基于下游运营成本而非预测准确性来优化场景。与不同生成模型下的精度导向方法相比，运营成本降低了0.80%-2.02%。
本文提出了一种用于稀疏切线投资组合优化的端到端决策聚焦学习框架，该框架用平滑top-k算子替代离散资产选择，使得梯度能够在预测和优化中流动，从而直接最大化夏普比率。
本文介绍了一种面向决策的生存分析学习方法，该方法通过NDCG优化将预测模型与后续分配决策对齐。应用于美国心脏移植数据后，排名性能提升了50-100%，每年可能带来数千额外生命年。
本文识别了延迟反馈下双层优化中的“过时放大”现象，并提出IGT-OMD，该方法利用隐式梯度传输实现亚线性后悔，并在Warcraft最短路径和LQR等基准上改善了决策损失。